L'intelligence artificielle s'empare des applis météo : ce que cela change pour les utilisateurs

La prévision météo est devenue l'un des premiers domaines où l'apprentissage automatique a produit un résultat mesurable et facile à vérifier. Ces deux dernières années, les plus grands groupes technologiques, dont Google DeepMind, Huawei et NVIDIA, ont publié leurs propres modèles d'IA pour la météorologie, qui surpassent les méthodes numériques traditionnelles sur plusieurs tâches.

Mais il y a un gouffre entre une percée en laboratoire et ce que voit l'utilisateur sur son smartphone. La prévision numérique traditionnelle exige d'énormes ressources de calcul : les supercalculateurs du CEPMMT (Centre européen pour les prévisions météorologiques à moyen terme, ECMWF) mettent des heures à faire tourner un seul modèle. Les systèmes d'IA font la même chose en quelques minutes. GraphCast, de Google DeepMind, présenté fin 2023, a surpassé les méthodes classiques pour prévoir les ouragans et les températures extrêmes jusqu'à dix jours. Pangu-Weather de Huawei et FourCastNet de NVIDIA ont affiché des résultats similaires lors de tests indépendants.

Les applis commerciales, comme AccuWeather, Weather.com et Gismeteo, reposent sur leurs propres modèles et sont mises à jour avec un retard par rapport aux travaux académiques. Certains services ont déjà intégré des éléments de ML pour l'hyperlocalisation des prévisions : le downscaling permet d'affiner un modèle global jusqu'à l'échelle d'un quartier ou d'une rue. Mais les utilisateurs l'ignorent généralement.

C'est là que surgit un problème de marketing. Le mot « IA » dans les applis météo recouvre des réalités différentes selon le contexte. Certains services utilisent réellement des réseaux de neurones pour analyser les données de stations météo domestiques et de capteurs IoT, en agrégeant des milliers de points hyperlocaux. D'autres ont simplement rebaptisé des algorithmes statistiques existant depuis longtemps. Wired a analysé les principaux services météo américains et constaté un écart important entre le « AI-powered » du marketing et l'usage réel de l'apprentissage automatique dans le produit.

La communauté météorologique professionnelle se montre prudente envers les modèles d'IA. Les méthodes classiques permettent au prévisionniste de comprendre pourquoi la prévision est ce qu'elle est : on voit les fronts atmosphériques, les champs de pression, l'humidité. Les réseaux de neurones sont une boîte noire. Le National Weather Service américain et le CEPMMT intègrent l'IA comme outil d'appoint, en conservant les modèles traditionnels comme socle. C'est une stratégie raisonnable : les systèmes d'IA entraînés sur des données historiques peuvent moins bien gérer les phénomènes anormaux rares, absents de l'échantillon d'entraînement.

Pour l'utilisateur lambda, la question est autre : les prévisions sont-elles devenues plus précises ? La réponse est un « oui » prudent, surtout sur des horizons courts, jusqu'à 48 heures, et pour les alertes d'événements extrêmes. Mais la qualité dépend fortement de la région. Aux États-Unis et en Europe occidentale, un réseau dense de stations météo, de radars et de données satellites permet à l'IA de bien fonctionner. En Asie centrale ou en Afrique, une infrastructure clairsemée limite n'importe quel modèle : un réseau de neurones ne compense pas l'absence de données d'entrée.

Les applis météo deviennent un terrain concurrentiel où la différenciation passe par la précision des prévisions hyperlocales et la rapidité des alertes. IBM Weather Company, Tomorrow.io et Climavision investissent activement dans cette direction. Les enjeux sont élevés : une prévision précise d'une averse dix minutes avant son début n'est pas qu'un confort, mais un appui à des décisions dans l'assurance, l'agriculture et l'aviation.

L'IA est bel et bien arrivée dans les applis météo, mais de façon inégale et souvent invisible pour l'utilisateur. Tandis que les chercheurs publient des modèles qui devancent les méthodes traditionnelles, les services commerciaux digèrent ces avancées avec plusieurs années de retard. La précision des prévisions continuera de progresser, simplement pas aussi vite que le promet le marketing.